AI:s omstörtande och transformerande roll i övergången till en cirkulär ekonomi

I den här artikeln undersöks de viktigaste störande effekterna av AI på övergången till en cirkulär ekonomi, följt av hur AI kan förändra cirkulariteten på ett positivt sätt för att ge vägledning till yrkesverksamma inom hållbarhet, supply chain management och industrisektorer för att bättre förstå AI:s roll i utformningen av en hållbar och cirkulär framtid.

Generativ AI är en modell som fokuserar på att skapa innehåll, t.ex. text eller bilder. För närvarande är det en trend som ofta glöms bort, men det finns många olika tekniker som faller under begreppet. I stort sett avser AI en uppsättning tekniker som är utformade för att göra det möjligt för maskiner att utföra historiskt mänskliga uppgifter som resonemang, inlärning och mönsterigenkänning, baserat på stora datamängder som videor, bilder och text.

Inom ramen för en cirkulär ekonomi har AI potential att optimera resurseffektiviteten, förbättra transparensen i leveranskedjan och skapa nya affärsmodeller. Sådan kapacitet kan levereras med hjälp av en blandning av AI-applikationer. Ett verktyg för hantering av leveranskedjan kan t.ex. integrera datorseende för att övervaka lagerinventering, NLP (Natural Language Processing) för att analysera och analysera leverantörskontrakt, sentiment i sociala medier och användarrecensioner, etc. samt förstärkningsinlärning för att optimera logistikrutter.

Användningen av AI i en cirkulär ekonomi medför dock också risker, t.ex. att linjära ekonomiska strukturer förstärks, att resurskrävande digital infrastruktur skapas och att risken för "greenwashing" ökar.

Cirkulär störning - Hur AI kan hindra övergången till en cirkulär ekonomi

Den snabba utvecklingen och användningen av AI medför oavsiktliga konsekvenser som kan hindra övergången till en mer hållbar ekonomisk modell. Ett stort problem är den resursintensifiering som AI kräver.

Oavsiktlig resursintensifiering

Storskaliga maskininlärningsmodeller och djupinlärningssystem kräver enorma beräkningsresurser, vilket leder till ökad elförbrukning och beroende av sällsynta jordartsmetaller som litium och kisel. AI:s växande energibehov kan uppväga eventuella effektivitetsvinster inom cirkularitet, medan det ökande behovet av avancerad datorhårdvara kan förvärra problemet med elektroniskt avfall.

Utöver energiförbrukningen är koldioxidavtrycket från träning av AI-modeller fortfarande en utmaning. Företagen arbetar med grönare AI-lösningar, t.ex. datacenter som drivs med förnybar energi, vattenbaserad kylning samt återanvändning och integrering av spillvärme i fjärrvärmesystem. Utvecklingen går dock långsamt och AI:s hållbarhet är fortfarande en komplex fråga.

Företräde för linjära ekonomiska modeller

En annan utmaning är AI:s förkärlek för linjära ekonomiska modeller. Många av dagens AI-drivna optimeringsverktyg är utformade för traditionella linjära ekonomier som prioriterar kostnadsminskning och effektivitet snarare än cirkularitet. AI-lösningar för försörjningskedjan tenderar att betona tillverkning just-in-time och maximering av genomströmning - utan att ta hänsyn till cirkulära strategier. Lagerhantering och produktionsplanering gynnar till exempel ofta kortsiktig effektivitet framför långsiktig materialcirkularitet, medan AI-drivna upphandlingssystem kan fortsätta att prioritera jungfruliga material framför återvunna alternativ på grund av kostnad och tillgänglighet.

AI:s beroende av historiska data innebär dessutom att den ofta förstärker befintliga ekonomiska mönster snarare än att introducera transformativa lösningar. Om AI-system tränas på dataset som återspeglar decennier av linjär produktion och konsumtion kan de misslyckas med att se fördelarna med cirkulära affärsmodeller. För att övervinna denna utmaning krävs medveten programmering och integrering av cirkularitetsmått i AI-utbildningen och beslutsprocesserna.

Risker med grönmålning och felaktig information

AI utgör också en risk när det gäller greenwashing och felaktig information. AI:s förmåga att generera hållbarhetsrapporter, marknadsföringsinnehåll och ESG-information skapar möjligheter för vilseledande miljöpåståenden. AI-drivna verktyg kan producera detaljerade rapporter och hållbarhetsbedömningar som verkar trovärdiga, men som saknar verifierbara effektmätningar. Detta kan leda till att företag skapar alltför optimistiska hållbarhetsberättelser som inte återspeglar verkliga framsteg. Dessutom kan AI-drivna rapporteringsverktyg användas för att följa regler utan att faktiskt ta itu med hållbarhetsutmaningar, vilket vilseleder både investerare och konsumenter.

En viktig fråga är att AI-modeller bara är så bra som de data de tränas på. Om hållbarhetsrapporteringen bygger på partiska, ofullständiga eller föråldrade data kan de AI-genererade insikterna vara bristfälliga. Att säkerställa transparens och ansvarsskyldighet i AI-genererade hållbarhetsmått är avgörande för att bygga förtroende och driva verklig förändring.

Överdriven tilltro till digitala lösningar

En övertro på digitala lösningar är en annan potentiell störning. Verktyg som AI-drivna digitala tvillingar, prediktiv analys och plattformar som kombinerar AI med andra tekniker ger värdefulla insikter, men de bör inte ersätta de grundläggande systemförändringar som krävs för cirkularitet. Företag kan fokusera på AI-drivna effektivitetsförbättringar snarare än att omstrukturera affärsmodeller för cirkularitet. Lokala cirkulära ekonomier, t.ex. samhällsbaserade delningsmodeller och reparationsnätverk, kan få svårt att hävda sig mot AI-optimerade globaliserade leveranskedjor. AI:s komplexitet kan dessutom göra cirkulära lösningar mindre tillgängliga för mindre företag eller utvecklingsekonomier, vilket begränsar ett bredare införande.

Cirkulär acceleration - Hur AI kan påskynda övergången till en cirkulär ekonomi

Trots de utmaningar som diskuteras ovan har AI en enorm potential att driva på innovationer inom den cirkulära ekonomin. Ett av de mest lovande områdena är optimering av resurseffektivitet och avfallsminskning.

Optimerad resurseffektivitet och avfallsreduktion

AI kan förbättra förebyggande underhåll, vilket säkerställer att industriell utrustning fungerar effektivt och minskar förtida kassering. Avancerade system för datorseende kan förbättra avfallssorteringen och göra återvinningsprocesserna mer effektiva. AI-driven supply chain analytics, som kombinerar inlärningsmodeller med andra AI-applikationer som t.ex. naturlig språkbehandling, kan hjälpa företag att förutse efterfrågan mer exakt, vilket minskar överproduktion och avfall.

Förbättrad cirkularitet för produkter och material

AI spelar också en avgörande roll när det gäller att förbättra produkters och materials cirkularitet. AI hjälper till att utforma produkter med bättre materialval, modularitet och spårning av livscykeln. Generativa designalgoritmer hjälper ingenjörer att utveckla produkter som är lättare att reparera, återvinna och återanvända. AI-drivna materialpass, eller digitala tvillingar, spårar material genom en produkts hela livscykel, vilket möjliggör bättre återvinning och återanvändning. Dessutom kan AI optimera omvänd logistik, vilket gör det lättare för företag att samla in och renovera begagnade produkter på ett effektivt sätt. Exempelvis kan modeller för maskininlärning användas för att bedöma historiska returdata för att prognostisera framtida volymer och möjliggöra förbättrad lagerhantering. Dessutom kan datorseende system användas för att bedöma skicket på returnerade produkter för att påskynda insamlingsprocesserna och minimera mänskliga fel.

AI-drivna hållbara affärsmodeller

Ett annat område där AI driver på förändring är genom utvecklingen av hållbara affärsmodeller. AI möjliggör expansion av PaaS-modeller (Product-as-a-Service), där produkter hyrs ut istället för att säljas, vilket gör att de finns kvar i omlopp längre. Detta kan göras genom att stödja dessa modeller med prediktiv analys av lämpliga underhållscykler för att förlänga produkternas livslängd. Dessutom kan modellerna användas för att bättre förutse användarnas behov och produktutnyttjandet och förbättra hur produkterna återcirkuleras inom PaaS-nätverket. En annan tillämpning för sådana modeller är att stödja återanvändningsbaserad handel genom att förbättra plattformar för återförsäljning och renovering. Slutligen kan modeller för efterfrågeprognoser som bygger på AI hjälpa tillverkare att anpassa produktionen till konsumenternas faktiska behov, vilket minskar överproduktion och avfall.

Förbättrad transparens och cirkulära leveranskedjor

AI förbättrar också transparensen och ansvarstagandet i cirkulära leveranskedjor. AI-drivna blockkedjelösningar kan bidra till att säkerställa att material och komponenter är spårbara från produktion till återanvändning. Satellitbilder och AI-baserade övervakningssystem kan upptäcka ohållbara metoder som olaglig avfallshantering eller avskogning, vilket gör det möjligt att ingripa i realtid. AI-driven automatiserad hållbarhetsrapportering stöder efterlevnaden av regelverk som CSRD och dess tillhörande ESRS E5 Resource Use & Circular Economy, vilket gör det lättare för företag att visa sitt engagemang för cirkularitet.

Konsumentengagemang och beteendeförändring

Konsumentengagemang är ett annat område där AI gör skillnad. AI-drivna rekommendationsmotorer uppmuntrar konsumenter att välja hållbara alternativ genom att föreslå begagnade eller renoverade produkter. Spelifierade hållbarhetsappar stimulerar cirkulära beteenden genom att belöna användare för ansvarsfulla konsumtionsval. AI-drivna personliga assistenter kan också hjälpa individer att fatta välgrundade köpbeslut genom att erbjuda hållbarhetsinsikter baserade på deras preferenser och tidigare beteenden.

Ett tveeggat svärd?

AI:s inverkan på övergången till en cirkulär ekonomi är både störande och omvälvande. Samtidigt som AI kan förstärka linjära modeller, öka resursförbrukningen och möjliggöra greenwashing, erbjuder den också betydande möjligheter att optimera resurseffektiviteten, öka transparensen och skapa nya cirkulära affärsmodeller.

Företag och beslutsfattare måste anpassa AI-utvecklingen till principerna för den cirkulära ekonomin för att säkerställa att de tekniska framstegen bidrar till en hållbar framtid.

För företagen innebär beslutet att använda AI-teknik för att möjliggöra övergången till en cirkulär ekonomi en avvägning mellan de fördelar som uppnås med hjälp av dessa verktyg, t.ex. bättre materialval och lägre materialförluster genom hantering av leveranskedjan, och den påverkan som användningen av tekniken medför, t.ex. inköp av molntjänster eller datalagring och tillhörande utsläpp. Här blir det också viktigt för företagen att bedöma om det behövs fullskaliga AI-modeller för att uppnå de fördelar som eftersträvas eller om enklare maskininlärning och prediktiva modeller kan lösa de utmaningar man står inför.

Ur beslutsfattarnas perspektiv måste effekterna av ökad energianvändning, riskerna för att arbetskraften förflyttas och andra faktorer som är kopplade till en rättvis omställning tas med i beräkningen när politiken utformas.

Att gå framåt

Företag måste anamma AI strategiskt för att påskynda övergången till en cirkulär ekonomi. Att ignorera AI kommer inte bara att missgynna företagen kommersiellt, utan också hindra företagens ambitioner när det gäller övergången till en cirkulär ekonomi.

Komplexiteten och den snabba utvecklingen inom den cirkulära ekonomin kräver nu datadrivna insikter och robusta analyser som endast avancerade AI-system kan tillhandahålla. Genom att integrera AI med principerna för cirkulär ekonomi kan företag gå från stegvisa förbättringar till transformativa lösningar som omformar hela värdekedjor. De potentiella fördelarna, som beskrivs ovan, är tydliga, men vägen dit är mindre tydlig.

För att navigera på vägen framåt bör företagen börja med att tydligt definiera sina mål för cirkulär ekonomi och identifiera var AI kan ge störst effekt.

Det är viktigt att investera i att utveckla omfattande datastrategier som säkerställer att AI-modeller tränas på korrekta, relevanta och opartiska dataset, som återspeglar cirkulära principer snarare än linjära mönster. Genom att inrätta tvärfunktionella team som kombinerar expertis inom hållbarhet, teknik och drift främjas innovation och effektiv AI-integration. Dessutom bör företagen prioritera transparens och ansvarsskyldighet och aktivt motverka risken för grönmålning genom att öppet kommunicera AI-drivna hållbarhetsresultat och engagera intressenter genom verifierade konsekvensbedömningar.

Genom att vidta dessa medvetna åtgärder kommer företagen att vara bättre positionerade för att inte bara överleva utan även blomstra i det snabbt föränderliga landskapet för den cirkulära ekonomin.